為了準確診斷出軸承故障,提出了樣本熵改進小波包閾值去噪算法的軸承故障診斷方法。分析了樣本熵與噪聲大小、數(shù)據(jù)長度、信號固有特征的關(guān)系,得出了樣本熵可以很好表征噪聲大小、與數(shù)據(jù)長度、信號固有特征相關(guān)性極小的結(jié)論。使用樣本熵從三個方面改進了小波包閾值去噪算法:提出了自適應(yīng)閾值函數(shù),使閾值函數(shù)隨噪聲分布情況進行自適應(yīng)調(diào)整;以噪聲信號樣本熵值最大為依據(jù),提出了最優(yōu)閾值估計方法,使閾值隨噪聲大小自適應(yīng)調(diào)整;以相鄰分解層數(shù)的樣本熵均值差值為依據(jù),提出了分解層數(shù)確定方法。將樣本熵改進小波包閾值去噪算法應(yīng)用于軸承故障信號去噪中,去噪信號功率譜中軸承轉(zhuǎn)動頻率及倍頻、外圈故障特征頻率及倍頻、兩者的調(diào)制頻率顯露明顯,能夠明確判處出軸承為外圈故障,體現(xiàn)了極好的去噪效果。 

【文章來源】：組合機床與自動化加工技術(shù). 2020,(01)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

y(t)的時域波形

樣本熵隨噪聲標準差的變化曲線如圖2所示。由圖2可以看出,樣本熵與噪聲標準差成正相關(guān),且在標準差[0,3]區(qū)域內(nèi)斜率變化不大,說明噪聲標準差變化時,熵值區(qū)分明顯,可以使用樣本熵對噪聲大小進行表征。

以圖1所示的y(t)信號為有用信號,在其中加入標準差為1的高斯白噪聲,樣本熵值隨數(shù)據(jù)長度的變化曲線如圖3所示。由圖3可以看出,當(dāng)數(shù)據(jù)長度大于100時,樣本熵值趨于穩(wěn)定,受數(shù)據(jù)長度影響極小,說明樣本熵適用于分析不同長度的時間序列。

【參考文獻】：
期刊論文
[1]基于AFSA-SVM的滾動軸承故障診斷研究[J]. 姬盛飛,王麗君,吉南陽.  組合機床與自動化加工技術(shù). 2019(01)
[2]含外圈故障的高速列車軸承轉(zhuǎn)子系統(tǒng)非線性動力學(xué)行為分析[J]. 劉永強,王寶森,楊紹普.  機械工程學(xué)報. 2018(08)
[3]基于小波包分解與權(quán)重包絡(luò)譜的滾動軸承故障特征增強[J]. 陳慧,胡俊鋒,熊國良.  機械設(shè)計與研究. 2017(03)
[4]基于EEMD的樣本熵的滾動軸承AP聚類故障診斷[J]. 許凡,方彥軍,孔政敏.  儀表技術(shù)與傳感器. 2017(06)
[5]一種基于改進閾值函數(shù)的小波閾值降噪算法[J]. 倪培峰,胡雄.  電子技術(shù)應(yīng)用. 2016(08)
[6]自適應(yīng)分解層數(shù)的小波域中值濾波振動信號降噪法[J]. 滕軍,朱焰煌,周峰,李惠,歐進萍.  振動與沖擊. 2009(12)



本文編號：3292107